agent-vision-toolkit：给纯文本 agent 装眼睛的中文开源视觉工具箱

本文介绍 Anionex 开源的 agent-vision-toolkit（1.2 千 stars，MIT，中文文档）——给纯文本 coding agent 装"眼睛"的视觉工具箱：图像问答、长截图 OCR、前端 UI 还原、GUI 自动化，做成一套视觉 CLI 加一个 agent skill，DeepSeek 这类文本模型的 agent 也能干多模态的活。

项目简介

它的出发点很妙："agent 的视觉能力不一定住在模型里，也可以住在 harness 里。" 你的 agent 跑在 DeepSeek 等纯文本模型上，看不了图、图像工具还被系统拦——这个仓库用"外部工具 + 技能指引"的组合拳补齐：模型提议看什么，CLI 工具真正去看、去看懂、把结构化结果带回来。

核心是两类组件：视觉工具 CLI（任何能调 shell 的 agent 都能用）+ skill（教 agent 什么时候用哪个工具）；另有可选的本地透明代理做无缝集成（支持 Codex、Claude Code、Pi、Oh My Pi、OpenCode）。

核心能力

• 图像问答：直接识别粘贴的图片
• 长截图 OCR：整页截图文字提取，坐标可点
• 前端 UI 还原：从设计图/截图生成前端代码
• GUI 自动化：定位屏幕元素并操作
• 兼容 agentskills.io 标准：skill 可装进任何支持的 agent

快速开始

克隆仓库后按 README 安装 CLI 与技能；接主流 agent 走 extensions 目录里的对应集成。装完对 agent 说"看这张图"之类的话，它会自己挑合适的视觉工具。

适用场景

• DeepSeek/纯文本模型用户：不换模型获得多模态体验，甚至比原生多模态更可控
• 前端开发：UI 截图还原代码
• 桌面自动化：配合 GUI 自动化能力做端到端操作

注意事项

• 视觉理解质量取决于你配置的底层视觉模型（工具调用的"眼睛"是外接的）
• 透明代理集成属可选升级，配置项较多，先从 CLI + skill 方式起步
• 中文文档友好，国内用户上手成本低

项目链接

• GitHub 仓库：https://github.com/Anionex/agent-vision-toolkit
• 中文文档：仓库 README_CN.md